振动波形转音频播放并做声纹聚类

振动波形转音频播放并做声纹聚类

1、效果

2、操作流程

1.读取数据库波形数据：波形，特征，标签
2. 数据预处理流程
	重采样：将低频振动数据(如1000Hz)上采样到标准音频采样率(22.05kHz)
	振幅归一化：将数据缩放到[-1, 1]范围
	特征提取：使用多种声学特征描述振动模式
		MFCC(梅尔频率倒谱系数) - 20个系数
		色度特征 - 12个音级能量
		梅尔频谱 - 20个频带
		频谱质心 - 频谱"重心"
		过零率 - 信号穿越零点的频率

3. 特征工程优化
	特征标准化：使用Z-score标准化
	降维处理：PCA保留95%的方差
	特征可视化：2D PCA投影展示聚类结构

4. 聚类算法选择
	支持多种无监督聚类算法：
	K-Means：基于距离的划分聚类
	GMM(高斯混合模型)：概率模型聚类
	DBSCAN：基于密度的聚类(可检测噪声)
	层次聚类：树状结构聚类

5. 聚类质量评估
	肘部法则：寻找最佳聚类数
	轮廓系数：衡量簇内紧密度和簇间分离度
	Calinski-Harabasz指数：簇间方差与簇内方差的比率

6. 结果分析与解释
	簇可视化：2D散点图展示聚类结果
	簇分布：柱状图显示各簇样本数量
	特征分析：箱线图比较各簇声学特征
	代表样本：播放每簇的典型振动模式

7.验证准确率